“雙碳”目標下江西省農業碳排放量測算、影響因素分析與預測研究

黃和平,李紫霞,黃 靛,謝美輝,王智鵬

(1.江西財經大學經濟學院,江西 南昌 330013;2.南昌航空大學信息工程學院,江西 南昌 330063;3.南昌工程學院工商管理學院,江西 南昌 330099;4.江西農業大學經濟管理學院,江西 南昌 330045)

農業部門產生的碳排放在很大程度上影響了經濟、社會和生態效益之間的平衡,全球碳排放總量中農業碳排放量占比達13%[1]。中國是溫室氣體排放大國[2],江西省是中部地區的農業大省[3],農業是支撐其經濟發展的保障[4]。農業現代化進程不斷加快,導致大量的溫室氣體排放,引發了綠色低碳農業與經濟增長之間的矛盾。推進農業碳達峰碳中和是加快“雙碳”目標實現以應對氣候變化的重要舉措,也是落實鄉村振興戰略的重要途徑。農業系統碳排放研究及達峰預測對江西省乃至中國達成“雙碳”目標[5]、實現鄉村振興戰略、推動美麗中國建設有重要作用。

為了提升農業生產適應氣候變化的能力,農業碳排放與碳減排問題備受國內外學者關注。國內關于這方面的研究主要包括以下4個方面:(1)農業碳排放核算。主要包括排放因子法[6]、質量平衡法[7]、實測值法[8]和模型法[9]等測算方法,其中排放因子法運用相對較廣,主要原因是其數據獲取較為方便且可較精準地反映農業各碳排放源的情況。(2)農業碳排放影響因素。周一凡等[10]認為,農業碳排放量的增長主要是該行業經濟不斷發展所致;胡婉玲等[11]認為,對于全國及東部地區,生產效率、農業產業結構和農村人口是3個主要減排因素;韋沁等[12]研究得出,農業產業結構優化、農業人口整體減少等因素會抑制農業碳排放量增長;劉瓊等[13]認為,畜禽養殖碳排放與各類農村居民收入之間存在長期協整和動態響應關系。(3)農業碳排放減排機制。韋玉瓊等[14]認為,養殖業碳排放量最高但也最具減排潛力;田云等[15]認為,河南農業碳減排補償金額在全國居第1位,而西藏、青海和福建排后3位。(4)農業碳排放預測。目前主要采用環境庫茲涅茨曲線、STIRPAT模型、灰色預測模型和LEAP模型等傳統方法進行預測[16],這些方法存在不確定性較高或偏差較大等問題,且對于波動以及復雜非線性變化趨勢的刻畫較弱。而XGBoost決策樹的集成模型是大多數研究者進行預測的首選工具[17-18]。綜合來看,學者們通過不同的測算方法、影響因素分析和預測模型,致力于提升農業生產適應氣候變化的能力,以實現低碳農業目標。

目前關于碳排放的研究主要以全國作為研究區域,而關于江西省農業碳排放的研究存在不足。曹俊文等[3]研究得出,在抑制江西省農業碳排放增長方面,農業生產效率發揮的作用最大;張小友等[19]則認為江西省農業碳減排效果一直未達理想要求,主要原因之一是該省耕地利用強度加大。2022年江西省農業農村廳發布的《江西省農業農村減排固碳實施方案》提出了稻田甲烷減排行動、化肥減量增效行動、畜禽低碳減排行動等農業農村減排固碳“八大行動”,要求到2030年農業農村發展全面綠色低碳轉型取得顯著成效。該研究在上述研究的基礎上做了以下2個方面的延伸:一方面,由于目前尚少有學者對江西省農業碳排放的計算、影響因素和排放預測同時進行研究,筆者選擇江西省2000—2020年主要農業生產數據作為樣本進行碳排放研究,將研究內容聚焦在農業碳排放預測上,并將秸稈焚燒碳排放納入農業碳排放指標中;另一方面,在方法論上,對既有的農業碳排放預測方法進行改進,采用XGBoost模型對江西省農業碳排放總量進行預測,為農業減污降碳和碳達峰研究提供依據。

1 研究方法與數據來源

在采用聯合國政府間氣候變化專門委員會(IPCC)碳排放模型對江西省農業碳排放量進行測算的基礎上,結合農業生產總值計算碳排放強度。然后通過LMDI模型進行農業碳排放影響因素分解,最后采用XGBoost預測模型對農業碳排放量進行預測,得出江西省總體及11個地級市的農業碳排放現狀。

1.1 農業碳排放測算

采用IPCC發布的碳排放相關系數[20-21],并利用已有研究成果,主要從種植業、畜禽養殖業2個方面對農業碳排放量進行測算。

1.1.1種植業碳排放

種植業碳排放主要包括農業物資投入碳排放(化肥、農藥、農用薄膜、農業灌溉及農業機械)、農田土壤利用碳排放、秸稈焚燒碳排放。借鑒田云等[22]的研究成果,構建農業物資投入和農田土壤利用碳排放測算公式:

C=∑Ci=∑Ti×δi。

(1)

式(1)中,C為農業碳排放總量, 萬t;Ci為各源類碳排放量,萬t;Ti為各源類活動水平;δi為各源類碳排放系數。

基于彭立群等[23]的研究成果,秸稈露天燃燒的碳排放量計算公式為

(2)

式(2)中,E為秸稈焚燒的碳排放量,萬t;k為農作物類別;Pk為農作物k的產量,萬t;Ck為農作物k的草谷比;Rk為農作物k秸稈露天焚燒比例;F為焚燒效率;FE,k為農作物k秸稈露天燃燒的各源類碳排放因子。

種植業碳排放量測算所需的各類系數見表1～2。IPCC在2013年發布的評估報告顯示,CH4和N2O 轉化為CO2的100 a增溫潛勢系數分別為28和265。

表1 種植業碳排放源及碳排放系數

表2 各類農作物的草谷比、燃燒效率和露天焚燒比例[23]

化肥、農藥的碳排放系數來源為美國橡樹嶺國家實驗室(ORNL),農膜的碳排放系數來源為南京農業大學農業資源與生態環境研究所(IREEA),農業機械的碳排放系數來源為IPCC。農田土壤利用各源類及農業灌溉的碳排放系數參考劉楊等[24]的研究成果;秸稈燃燒各源類的碳排放系數參考彭立群等[23]的研究成果。1)P為農業播種面積,W為農業機械總動力。

1.1.2畜禽養殖碳排放

牛、羊等反芻動物腸道發酵形成的CH4和N2O是畜禽養殖碳排放的主要來源。參考IPCC和聯合國糧農組織(FAO)的相關報告,由于禽類胃腸發酵幾乎不產生CH4,筆者未對其進行測算。畜禽養殖碳排放計算公式為

(3)

式(3)中,Clive為養殖業CH4或N2O年排放總量,萬t;Ni為i種畜禽年平均飼養量,頭(只);δi為i種畜禽CH4或N2O排放系數(表3)。

表3 畜禽養殖碳排放源、CH4和N2O排放系數[26]

鑒于各畜禽養殖周期不一致,依據畜禽出欄率[25]對畜禽年均飼養量進行調整。其中,生豬、兔及家禽的出欄量大于1,平均生命周期依次為200、105和55 d[26]。若出欄率≥1,平均飼養量依據出欄量進行調整,即

Ni=Di×Mi/365。

(4)

式(4)中,Ni為i種畜禽年平均飼養量, 頭(只);Di為i種畜禽平均生命周期,d;Mi為i種畜禽年生產量(出欄量),頭(只)。

若出欄率小于1,畜禽的年平均飼養量依據年末存欄量進行調整,即

Ni=(Ci,t+Ci,t-1)/2。

(5)

1.2 農業碳排放強度及碳排放結構

農業碳排放強度可以用來衡量農業碳排放的水平[26],其計算公式為

CI=C/PGD。

(6)

式(6)中,CI為農業碳排放強度, t·萬元-1;C為農業碳排放量,t;PGD為農牧業生產總值,萬元。

碳排放結構(Ri)的計算公式為

Ri=Ci/C。

(7)

式(7)中,Ci為i種源類碳排放量, 萬t;C為農業碳排放總量,萬t。

1.3 農業碳排放分解及影響因素模型

辨析農業系統中的碳排放影響因素,有助于實現農業的綠色發展[28]。根據Kaya碳排放恒等式的基本形式并借鑒已有研究[11],將碳排放量作如下變形:

(8)

CI=C/PGD,P,

綜上，下行方向裂縫的開裂程度較上行方向更嚴重，縱縫尤為明顯，這與上下行的行車荷載大小相吻合。且下行方向出現車輛超載的情況，根據劉彥光等學者的研究[4 ]，超限重載車是引發縱縫的主要因素之一。

(9)

AI=PGD,P/PGD,A,

(10)

IS=PGD,A/PGD,

(11)

EDL=PGD/PT,

(12)

URB=PT/PR。

(13)

式(8)～(13)中,C為農業碳排放量,萬t;PGD,P為農牧業GDP,萬元;PGD,A為農牧漁林業GDP,萬元;PT為地區總人口,萬人;PR為農村總人口,萬人;CI為農業生產效率;AI為農業產業結構;IS為地區產業結構;EDL為地區經濟發展水平;URB為城鎮化水平。

采用LMDI加和分解方式對式(8)進行進一步分解,以量化各因素對碳排放的影響大小,具體為

ΔC=Ct-C0=ΔCI+ΔAI+ΔIS+ΔEDL+ΔURB+ΔP。

(14)

式(14)中,ΔC為農業碳排放變化總量,萬t;t為時期(t=1,2,3,…,n);“0”表示基期;ΔCI、ΔAI、ΔIS、ΔEDL、ΔURB、ΔP分別為農業生產效率、農業產業結構、地區產業結構、地區經濟發展水平、城鎮化水平和農村人口對農業碳排放從基期到t時期變化量的貢獻值,萬t。

1.4 農業碳排放量預測

1.4.1XGBoost算法

XGBoost即極限梯度提升算法,廣泛適用于監督學習范疇,采用訓練數據對目標變量進行預測[29],具有準確度高、不易過擬合等特點[30-31]。將包含p個特征和容量為q的數據記為

T={(xi,yi)(|D|∈q,xi∈Rp,yi∈R)}。

(15)

式(15)中,D為監督學習數據集;R為實數域。回歸樹模型函數[32]可表示為

(16)

(17)

1.4.2貝葉斯優化過程

貝葉斯優化(Bayesian optimization,BO)是一種基于模型的序貫優化[33],該算法分為先驗函數與采集函數2個核心過程。該研究中先驗函數采用高斯過程回歸,采集函數采用改進概率(probability of improvement,PI)[34]。

1.4.3模型框架

上述基于貝葉斯優化XGBoost的農業碳排放量預測模型如圖1所示。首先,運用農業碳排放量數據生成數據集,接著將數據進行歸一化,并采用雙重插值法對缺失值進行處理。其次,將處理后的數據集導入XGBoost模型進行運算。再次,選擇貝葉斯優化算法進行超參數調優。該研究采取單步預測的方式對碳排放量進行預測,每一步訓練好的XGBoost模型可用于未來碳排放量預測,輸入歷史碳排放量(前8 a碳排放量)特征數據,預測下一年的碳排放量數據,將預測數據放入模型中進行再次訓練,得到新的XGBoost模型,用于預測下一年的碳排放量,以此循環直至預測到2050年,預測訓練停止。

圖1 基于貝葉斯優化XGBoost的碳排放量預測模型

1.5 數據來源

以2000—2020年江西省及11個設區市為研究樣本,研究涉及的原始數據均來自于2001—2021年《江西統計年鑒》《改革開放三十年農業統計資料匯編》及江西省各設區市統計年鑒。對于研究周期內缺失的部分數據,分別從江西統計局統計數據庫、各設區市《國民經濟和社會發展統計公報》獲取,個別缺失年份數據采用多重插補法對缺失值進行填補。

2 江西省農業碳排放時空演變特征

2.1 碳排放時序特征

2000—2020年江西省農業碳排放總量及強度變化趨勢見圖2。2000—2020年江西省農業碳排放總量呈現先下降后上升再下降的波動變化趨勢,總體呈上升趨勢。2000年碳排放量為4 018.6萬t,之后逐年下降,至2003年達最小值3 855.4萬t,比2000年減少4.1%,年均下降1.4%,同比下降3.3%。這主要有以下幾點原因:一方面,江西省在2003年出現罕見的大范圍高溫干旱,并且干旱一直持續到冬季,使得農產品產量下降,種植面積也有所減少,碳排放量隨之降低;另一方面,由于該時期江西省農產品的品種結構比較單一,農產品流通滯后于生產,致使農產品銷量下降,農產品的種植面積隨之下降,這對于農業碳減排也有一定的效果。2004—2015年碳排放量逐步上升,至2015年達最大值5 028.8萬t,比2000年增加25.1%,特別指出的是,2004年增速最高,同比增長10.3%。在此期間江西省農業碳排放量快速增加,其原因是中央提出的惠農政策提高了農民的生產積極性。2016—2020年農業碳排放量波動下降,比2000年增加12.1%。主要是因為全國范圍內倡導的“化肥零增長”行動,降低了農資投入所產生的碳排放量;并且江西省在2014年獲得了“全國首批生態文明先行示范區”的稱號,綠色農業與循環經濟得到了進一步發展。2000年江西省農業碳排放強度為0.709 t·萬元-1,到2020年下降至0.110 t·萬元-1,總體下降77.5%。由此可見,江西省農業綠色發展政策效果顯著,農業增長方式正在由粗放型向低碳經濟型的可持續農業轉變。

圖2 2000—2020年江西省農業碳排放總量及強度變化趨勢

2000—2020年江西省農業各源類碳排放量變化見圖3。農業碳排放源類貢獻率由高到低依次為農田土壤利用、畜禽養殖、農資投入和秸稈焚燒。從逐年變化情況看,2017年后農田土壤利用碳排放量占比呈波動上升趨勢,而畜禽養殖碳排放量占比呈波動下降趨勢。這主要是因為近年居民生活質量上升,對綠色有機蔬菜等購買量增加,促使農產品種植規模擴大。而2018年的重大生豬疫情造成生豬存欄量大大下降,且在國際原油價格上漲的背景下,飼料成本增加,也使得牲畜養殖量下降。

圖3 2000—2020年江西省農業各源類碳排放量變化

2.2 碳排放區域特征

圖4顯示,2000—2020年吉安、宜春和贛州的累計農業碳排放量居前3位,均超過1.3×108t;其次是上饒和撫州,累計農業碳排放量為1.0×108～1.3×108t;九江為0.7×108t,鷹潭、新余、景德鎮、萍鄉均低于0.3×108t。農業碳排放強度并不取決于資源總量的基數,能直接反映出不同地區低碳農業發展水平的差異。2000—2020年江西省11個地級市的年平均碳排放強度差異較大。江西省年平均碳排放強度為0.39 t·萬元-1。各地級市比較而言,萍鄉低于0.26 t·萬元-1,景德鎮和贛州介于0.26～0.32 t·萬元-1之間,九江、撫州、南昌、鷹潭和新余介于0.32～0.39 t·萬元-1之間;而吉安、鷹潭和宜春的平均碳排放強度高于0.39 t·萬元-1,即高于全省平均水平。綜上所述,農業碳排放強度的高低很大程度上取決于該地區農作物種植投入方向以及工業發展水平,吉安的碳排放強度占全省首位,這主要是因為農資投入碳排放量占比較大,應該合理選肥,掌握化肥減量的核心技術,并大力推廣綠色蟲害防控技術。

圖4 2000—2020年江西省各地級市累計碳排放量及平均碳排放強度分級

根據圖5所示的農業碳排放結構來看,江西省各地級市的農田土壤利用、畜禽養殖、農資投入、秸稈焚燒碳排放量平均占比分別在34.8%～50.4%、14.9%～31.0%、15.4%～26.2%、12.1%～20.3%之間,說明農田土壤利用的碳排放在這4類碳源中占比最高,景德鎮、九江和上饒的農業碳排放中畜禽養殖碳排放占比最小,其余地級市均為秸稈焚燒碳排放占比最小。

圖5 2000—2020年江西省各地級市累計碳排放量結構

2000—2020年江西省各地級市農業碳排放量及碳排放強度見表4～5。

表4 2000—2020年江西省各地市逐年農業碳排放量及其變異系數

2000—2003年各地級市碳排放量總體呈下降趨勢,景德鎮、贛州、吉安、宜春和上饒在2016年左右出現峰值;南昌、九江、萍鄉、鷹潭和撫州在2013年左右出現峰值,然后波動變化;新余在2005年出現峰值,出現峰值的時間較早。

由表5可知,江西省各地級市碳排放強度呈逐年下降趨勢,2000—2020年各地級市下降幅度為73.45%～83.49%,與省級層面變化趨勢相符。從變異系數來看,2000—2020年江西省11個地級市農業碳排放量年變異系數在59.7%～62.0%之間,而碳排放強度年變異系數在12.6%～21.0%之間,可以看出江西省各地級市的農業碳排放強度存在較大的差異性。碳排放量及碳排放強度的變異系數都呈逐年增加趨勢,且碳排放強度變異系數的增幅更明顯,這表明不同地區的綠色農業發展水平差異越來越明顯,致力于發展綠色低碳經濟的城市碳排放量下降速度較快,同時大力發展經濟作物的地區碳排放強度下降速度也較快。

表5 2000—2020年江西省各地級市逐年農業碳排放強度及其變異系數

3 江西省農業碳排放影響因素分析

江西省農業碳排放影響因素的分解結果見圖6。與2000年相比,2001—2020年江西省農業碳排放量累計增加11 933.4萬t。農業生產效率、農業產業結構、地區產業結構及勞動力規模因素對農業碳減排作用有限。對農業碳減排影響最大的是農業生產效率提升,累計實現65 091.6萬t碳減排。相比之下,農業產業結構優化、地區產業結構調整及勞動力規模因素對減排的作用有限,如不受其他因素影響,分別可產生99.3萬、2 570.9萬和974.3萬t的年均碳遞減量。2000—2020年江西省種植業和畜禽業生產總值占農業生產總值的比例下降8.0%,農村人口占比下降32.0%,這表明江西省不斷推進產業結構調整,推廣優良品種的栽培與養殖技術,提高城鎮化水平,減排效果顯著。導致農業碳排放量增加的主要因素是地區經濟發展水平和城鎮化率,分別累計增加125 113.6萬和24 261.4 萬t的碳排放量,表明江西省農業碳排放與經濟發展未完全脫鉤[35],未來一段時間內,江西省的經濟發展仍會在很大程度上阻礙農業碳排放量的減少,減污降碳等工作有待進一步推進。

ΔCI、ΔAI、ΔIS、ΔEDL、ΔURB、ΔP、ΔC分別表示農業生產效率、農業產業結構、地區產業結構、地區經濟發展水平、城鎮化水平、農村人口對農業碳排放變化的貢獻值、農業碳排放量。

由表6可知,2000—2020年江西省11個地級市農業碳排放量累計增加105.2萬～2 246.4萬 t。此外,各地級市農業生產效率、農業產業結構、地區產業結構、勞動力因素對碳減排作用有限,地區經濟發展水平及城鎮化因素則促進了農業碳排放量的增加。

表6 2000—2020年江西省各地級市農業碳排放影響因素的平均貢獻值

值得注意的是,不同地級市的農業產業結構對農業碳減排的影響存在顯著差異。僅萍鄉和景德鎮的農業產業結構對碳減排有促進作用,貢獻值分別為80.6萬和116.0萬 t。這2個市的畜禽養殖規模擴大以及秸稈焚燒量增加導致碳排放量增加,為了推動畜牧業綠色低碳發展及秸稈綜合利用,迫切需要實施精準飼喂,提高畜禽糞污處理水平,同時要健全秸稈收儲運體系,以合力統籌推進農業農村現代化。

4 碳排放預測及達峰分析

碳排放序列的監督學習模型以前t期的碳排放值為輸入特征數據,第t+1期的數據值為輸出數據。為了進行模型訓練,選擇時間窗口t=8,并采用前向驗證技術對模型進行評估,前向驗證技術的步驟如下:首先,將除過去8 a外的所有數據用于模型訓練,將近3 a的數據作為測試數據;然后,在訓練數據集上進行訓練并預測測試數據集的第1步,從而評估模型性能;接著,將測試集的真實觀測值添加到訓練數據集中,重新擬合模型,再讓模型預測測試數據集的第2步;重復以上步驟,直到整個測試數據集都被預測完成,計算誤差度量以評估模型的性能。通過調試和比較,選擇時間窗口t=8,證明了該模型的可行性和有效性。

在進行模型預測時,為了提高預測的精度和魯棒性,采用前向滾動窗口預測方法[36],該方法可以利用樣本內數據作為特征數據傳入模型,并得到一步預測值。接著,將這一步預測值擴充入樣本數據中,以便將其作為新的樣本數據傳入模型,再次進行預測,從而得到更加準確的結果。這個過程可以重復多次,直到達到預設的預測步數。值得注意的是,這種方法可以在進行樣本外預測時發揮作用,即在模型對未知數據進行預測時,可以使用樣本內數據對模型進行“自我訓練”,以提高模型的泛化能力和預測效果。

對江西省及11個地級市的農業碳排放強度按照上述方法進行訓練并預測未來30 a的碳排放強度,結果如圖7所示。根據預測結果,江西省及11個地級市的碳排放強度均在2030年前達到峰值。其中,新余農業碳排放達峰時間最早,在2005年已達峰;南昌、撫州和九江在2012年實現碳達峰;鷹潭和萍鄉在2014年碳排放達到峰值;宜春、上饒和吉安在2015年達峰;贛州和景德鎮在2016年達峰。2020年后,江西省碳排放量經歷了短時間的上升后呈現波動下降趨勢,其中宜春和新余震蕩幅度較大,南昌、撫州及九江碳排放量有上升趨勢,其他地區均在一段時間后趨于小幅的回落趨勢。模型預測2030年江西省碳排放總量將達4 702.05萬t。

決定系數R2也稱擬合優度,其值越接近1,則模型的可信度越高,即預測值和真實值重合度越高[36]。從圖7可見,江西省及11個地級市決定系數均大于0.90,其中江西省、九江和上饒的決定系數大于0.97,這表明樣本中預測值和真實值非常接近,預測結果可信度較高,模型值得參考。

5 結論與啟示

5.1 結論

對江西省農業碳排放特征、影響因素及達峰預測進行分析,得出以下結論:

第一,2000—2020年江西省農業碳排放總量呈現先下降后上升再下降的波動趨勢,總體上呈上升趨勢,這一時段農業碳排放強度呈下降趨勢,這表明江西省農業生產正在向低碳綠色產業轉型。

第二,農田土壤利用碳排放量在4類碳源中居于首位,畜禽養殖碳排放量次之,而占比最小的碳源為秸稈焚燒。江西省各地級市農業碳排放量及碳排放強度均存在一定的差異,其中宜春市農業碳排放量最大且平均碳排放強度最高,江西省農業生產效率、農業產業結構、地區產業結構及勞動力規模對農業碳減排作用有限,而農業碳排放量上升的主要因素為地區經濟發展水平和城鎮化率。

第三,預測結果表明,在其他條件不變的情況下,新余在2005年最早達峰,景德鎮和贛州在2016年最晚達峰。2020年后,江西省碳排放量在攀升一段時間后呈現震蕩回落趨勢,其中宜春和新余震蕩幅度較大,南昌、撫州及九江碳排放量均有上升趨勢,其他地區均在一段時間后趨于小幅回落趨勢。

5.2 啟示

為了減緩氣候變化并促進農業經濟發展,江西省各地方政府應因地制宜,推動形成平衡協調的減排路徑。

第一,江西省農業碳排放源類貢獻率最高的是農田土壤利用,可見農田土壤固碳減排存在較大潛力。因此要以耕地土壤有機質提升為重點,實施有效的農田管理措施。江西省近年來鼓勵農民采取秸稈還田、有機肥施用等措施,增加土壤碳匯,同時鼓勵農民采用有機農業和綠色種植技術,減少農業生產中的化肥和農藥使用,降低氮氧化物和甲烷等溫室氣體的排放,從而減少農業碳排放。

第二,宜春農業碳排放量最多且平均碳排放強度最高,可能是由于宜春糧食作物種植面積占比較大,而經濟作物種植面積占比較小。因此,宜春可以鼓勵農民采用高產、耐逆品種,實施農作物品種替代及化肥農藥減量替代計劃,同時發展優勢新興產業,為全市實現“雙碳”目標夯實基礎。

第三,從預測結果來看,2020年后南昌、撫州及九江碳排放量均呈持續上升趨勢,應充分發揮當地資源優勢,快速推進綠色低碳轉型發展。其中,南昌優越的地理位置、便利的交通以及溫和濕潤的氣候有利于推廣綠色種植和低耗水灌溉技術,進而提高綠色農產品的比重;九江豐富的水資源利于推動節水灌溉技術,同時適宜的氣候有利于發展當地特色有機綠色茶葉生產及水生農作物綠色種植;而撫州豐富的林果資源為發展有機果蔬、林業與生態農業提供了基礎,進而增加碳匯能力,減少溫室氣體排放。